Matematyka i architektury głębokiego uczenia się

Opinie czytelników

Recenzje podkreślają, że „Math and Architectures of Deep Learning” jest wnikliwym i przydatnym źródłem informacji zarówno dla początkujących, jak i doświadczonych czytelników w dziedzinie głębokiego uczenia się. Jest chwalony za dokładne omówienie podstaw matematycznych i istotnych tematów, zapewniając głębsze zrozumienie zastosowań sztucznej inteligencji. Czytelnicy zauważają jednak, że pewna wcześniejsza znajomość matematyki jest korzystna dla pełnego zrozumienia treści.

Książka skutecznie wypełnia luki w wiedzy, szanuje inteligencję czytelnika, służy jako świetne wprowadzenie i odniesienie zarówno dla początkujących, jak i doświadczonych osób, obejmuje szeroki zakres ważnych tematów, oferuje wnikliwe wyjaśnienia wizualne i zawiera nowoczesne algorytmy optymalizacji.

Książka może stanowić wyzwanie dla osób bez doświadczenia w rachunku wektorowym lub algebrze liniowej, co czyni ją mniej przystępną dla zupełnych nowicjuszy.

(na podstawie 6 opinii czytelników)

Oryginalny tytuł:

Math and Architectures of Deep Learning

Zawartość książki:

Math and Architectures of Deep Learning przedstawia podstawy DL w sposób użyteczny i przystępny dla praktyków.

Paradygmaty matematyczne, które leżą u podstaw głębokiego uczenia się, zwykle zaczynają się jako trudne do odczytania artykuły akademickie, często pozostawiając inżynierów w niewiedzy o tym, jak faktycznie działają ich modele. Math and Architectures of Deep Learning wypełnia lukę między teorią a praktyką, przedstawiając matematykę głębokiego uczenia się obok praktycznych implementacji w Pythonie i PyTorch. Zajrzysz do wnętrza "czarnej skrzynki", aby zrozumieć, jak działa twój kod, i nauczysz się rozumieć najnowocześniejsze badania, które możesz przekształcić w praktyczne zastosowania.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Ważne jest, aby zrozumieć, jak działają modele głębokiego uczenia, zarówno w celu ich skutecznego utrzymania, jak i wyjaśnienia ich innym interesariuszom. Poznanie podstaw matematycznych i architektury sieci neuronowych może być wyzwaniem, ale korzyści są duże. Uwolnisz się od ślepego polegania na gotowych modelach DL i będziesz w stanie budować, dostosowywać i rearchitektować do swoich konkretnych potrzeb. A gdy coś pójdzie nie tak, będziesz zadowolony, że możesz szybko zidentyfikować i naprawić problemy.

O książce

Math and Architectures of Deep Learning przedstawia podstawy DL w sposób zarówno użyteczny, jak i przystępny dla praktyków. Każdy rozdział bada nową fundamentalną koncepcję DL lub wzorzec architektoniczny, wyjaśniając podstawową matematykę i demonstrując, jak działają one w praktyce z dobrze opisanym kodem Pythona. Zaczniesz od podstaw podstawowej algebry, rachunku różniczkowego i statystyki, przechodząc do najnowocześniejszych paradygmatów DL zaczerpniętych z najnowszych badań. Zanim skończysz, będziesz miał połączony wgląd teoretyczny i praktyczne umiejętności, aby zidentyfikować i wdrożyć architekturę DL dla prawie każdego wyzwania w świecie rzeczywistym.

Co jest w środku

⬤ Matematyka, teoria i zasady programowania obok siebie.

⬤ Algebra liniowa, rachunek wektorowy i statystyka wielowymiarowa dla głębokiego uczenia.

⬤ Struktura sieci neuronowych.

⬤ Implementacja architektur głębokiego uczenia za pomocą Pythona i PyTorch.

⬤ Rozwiązywanie problemów z nieefektywnymi modelami.

⬤ Przykłady działającego kodu w dostępnych do pobrania notatnikach Jupyter.

O czytelniku

Dla programistów Pythona z podstawami algebry i rachunku różniczkowego.

O autorze

Krishnendu Chaudhury jest ekspertem w dziedzinie głębokiego uczenia i wizji komputerowej z dziesięcioletnim stażem zarówno w Google, jak i Adobe Systems. Obecnie jest CTO i współzałożycielem Drishti Technologies. Uzyskał tytuł doktora informatyki na Uniwersytecie Kentucky w Lexington.